Evaluación · 4 minutos de lectura
Por qué separar datos antes de comparar modelos
La evaluación necesita ejemplos que no hayan guiado cada ajuste. Diseña una partición con un propósito y documenta sus límites.
Una pregunta antes de una partición
Empieza definiendo qué quieres comparar. En un ejercicio ficticio, puedes estudiar si un modelo reconoce dos categorías de objetos sintéticos. La forma de separar ejemplos depende de la tarea. No existe una proporción que vuelva correcto cualquier conjunto sin revisar su contenido.
Entrenamiento y evaluación cumplen funciones distintas
Los ejemplos de entrenamiento ayudan a ajustar el modelo. Otros ejemplos permiten observar cómo responde fuera de ese ajuste. Si utilizas una evaluación una y otra vez para elegir cada detalle, su resultado pierde independencia respecto de esas decisiones. Documentar el uso de cada parte es esencial.
Busca información que se cruza
Dos registros casi iguales pueden quedar en grupos diferentes y producir una impresión favorable. También puede filtrarse una variable que no estaría disponible al usar el sistema. En el ejercicio, inspecciona duplicados y describe qué sabe cada entrada en el momento de predecir.
Una comparación necesita una referencia
Antes de construir algo complejo, define una estrategia sencilla que puedas explicar. Una mejora frente a esa referencia sigue necesitando contexto: tamaño de prueba, tipos de errores y variación del resultado. La cifra por sí sola no demuestra que el modelo sea adecuado para otros datos.
Escribe lo que no puedes concluir
Termina indicando qué ejemplos se observaron y qué escenarios quedaron fuera. Si los datos son sintéticos, no puedes afirmar utilidad para una población real. Una limitación bien descrita no arruina el experimento: permite entender su alcance y decidir qué prueba adicional haría falta.